假设贝叶斯更新器接收有限数量的信号之一 . 给他信号的设备质量不确定 . 如果它是高质量的,那么信号总是关于他感兴趣的一些基础变量的完美信号 . 如果它是低质量的,那么它就是噪声 .
在看到信号后,他更新了他对基础变量和证据设备质量的看法,对吧?但我不确定如何建模 .
我尝试过两种不同答案的方法 . a)他使用他对设备质量的最新信念来形成关于基础变量的后验,以及他对基础变量的更新信念,以形成关于设备质量的后验 . 这给出了一个方程组,每个方程都有唯一的解 . b)他在两个变量上形成联合概率分布并对其进行更新 .
前者给出了一些奇怪的结果,例如,如果他先前对高质量和低质量设备的信号分布的看法,他更新了他对专家质量的信念,而不管信号如何 .
后者似乎强加了一个不属实的独立假设 .
1 回答
我的建议是考虑变量之间的关系 . 其他一切都来自于此 .
不可靠传感器的一个模型是:
P(M | V, R) P(V) P(R)
其中M
是测量值,V
是您要测量的变量,R
是传感器的可靠性 . 这些变量可以是离散的或连续的,P(M | V, R)
是对手头问题有意义的 .此类模型的操作可能包括计算
P(V | M)
,P(R | M)
和P(V, R | M)
. 哪些对您有用取决于您尝试解决的问题 .我在论文的第6章中使用了不可靠传感器的模型[1] . 再看一遍,看起来6.3和以后的版本与你最相关 .
[1] http://riso.sourceforge.net/docs/dodier-dissertation.pdf